★ FEATURED ARTICLE 一、引言随着大语言模型能力的快速提升AI Agent智能体已成为当前人工智能领域最热门的方向之一。AI Agent 不再局限于简单的问答交互而是能够自主理解任务、拆解步骤、调用工具并完成复杂的工作流。本文将以「智能任务编排系统」为例从零开始构建一个具备规划、执行与反思能力的 AI Agent帮助读者掌握 Agent 的核心设计思路与工程实现。本文适合具备一定 Python 基础、希望深入理解 AI Agent 原理并动手实践的开发者阅读。全文将围绕环境搭建、核心概念、代码实现与常见问题展开并提供可直接运行的完整示例。二、核心概念在动手编码之前先厘清 AI Agent 涉及的几个关键概念这有助于理解后续代码的设计意图。2.1 大语言模型LLMLLM 是 Agent 的「大脑」负责理解用户意图、生成推理步骤与决策。常见的选择包括 OpenAI 的 GPT 系列、Anthropic 的 Claude 系列以及开源模型如 Llama、Qwen 等。在工程实践中通常通过统一的 API 接口接入以便灵活切换底层模型。2.2 工具Tool工具是 Agent 的「手脚」让模型能够与外部世界交互。典型的工具包括网络搜索、代码执行器、数据库查询、文件读写、API 调用等。Agent 根据任务需求动态选择合适的工具并将工具返回结果纳入后续推理。2.3 规划Planning与反思Reflection规划能力让 Agent 将复杂任务拆解为多个可执行的子步骤反思能力则让 Agent 在执行结果不理想时自我修正。两者共同构成了 Agent 的「思维链」是提升任务成功率的关键机制。三、环境准备与项目结构本节介绍运行示例所需的依赖安装与项目目录组织方式。3.1 安装依赖推荐使用 Python 3.10 及以上版本并通过 pip 安装以下核心依赖pip install openai python-dotenv若需要使用本地开源模型可额外安装 Ollama 或 vLLM 相关依赖。本文示例以 OpenAI 兼容接口为例便于读者替换为任意兼容服务。3.2 项目结构建议按以下目录组织代码保持模块清晰agent_demo/ ├── main.py # 入口脚本 ├── agent.py # Agent 核心逻辑 ├── tools.py # 工具定义 ├── config.py # 配置与密钥加载 └── requirements.txt # 依赖清单四、实战构建智能任务编排 Agent下面逐步实现一个能够「理解任务、调用工具、输出结果」的 Agent 核心代码。4.1 定义工具层首先实现一个简单的计算工具与文本处理工具作为 Agent 可调用的外部能力# tools.py import json import datetime def calculator(expression: str) - str: 计算数学表达式如 1 2 * 3 try: result eval(expression, {builtins: {}}, {}) return str(result) except Exception as e: return f计算错误: {e} def get_current_time() - str: 返回当前日期时间 return datetime.datetime.now().strftime(%Y-%m-%d %H:%M:%S) TOOL_REGISTRY { calculator: calculator, get_current_time: get_current_time, } def execute_tool(name: str, arguments: dict) - str: if name not in TOOL_REGISTRY: return f未知工具: {name} try: return TOOL_REGISTRYname except Exception as e: return f工具执行失败: {e}4.2 实现 Agent 核心循环Agent 的核心是一个「思考-行动-观察」循环模型生成下一步动作系统执行工具并返回结果模型再基于结果继续推理直到输出最终答案。# agent.py import json from openai import OpenAI from tools import execute_tool SYSTEM_PROMPT 你是一个智能任务编排助手。你可以调用以下工具 calculator: 计算数学表达式参数 expression get_current_time: 获取当前时间 请按以下 JSON 格式输出你的决策 {thought: 你的思考, action: 工具名或 final, action_input: {...} 或 最终答案} 当任务完成时action 必须为 final。 class Agent: def init(self, api_key: str, model: str gpt-4o-mini): self.client OpenAI(api_keyapi_key) self.model model self.messages [{role: system, content: SYSTEM_PROMPT}] def run(self, user_query: str, max_steps: int 5) - str: self.messages.append({role: user, content: user_query}) for _ in range(max_steps): response self.client.chat.completions.create( modelself.model, messagesself.messages, temperature0.2, ) content response.choices[0].message.content self.messages.append({role: assistant, content: content}) try: decision json.loads(content) except json.JSONDecodeError: return f模型输出格式错误: {content} if decision[action] final: return decision[action_input] # 执行工具并观察结果 tool_result execute_tool(decision[action], decision.get(action_input, {})) self.messages.append({ role: user, content: f工具返回结果: {tool_result} }) return 达到最大步数任务未完成。lt;/codegt;lt;/pregt; 4.3 编写入口脚本 最后通过入口脚本串联配置与 Agent实现一个可交互的命令行应用 main.py import os from dotenv import load_dotenv from agent import Agent load_dotenv() def main(): api_key os.getenv(OPENAI_API_KEY) if not api_key: print(请先设置 OPENAI_API_KEY 环境变量) return agent Agent(api_keyapi_key) print(智能任务编排 Agent 已启动输入 exit 退出。) while True: query input(\n请输入任务: ) if query.lower() exit: break result agent.run(query) print(f\nAgent 输出: {result}) if name main: main() 4.4 运行与验证 在项目目录下执行以下命令启动 Agent python main.py 输入示例任务「计算 (12 34) * 2 的结果并告诉我当前时间」Agent 会自动调用 calculator 与 get_current_time 两个工具最终返回组合结果。读者可自行扩展工具注册表接入搜索、数据库等更丰富的能力。 五、常见问题与优化建议 在实际开发中读者可能会遇到以下几类问题本节给出对应的排查思路与优化方向。 5.1 模型输出 JSON 格式不稳定 大模型偶尔会输出多余文字导致 JSON 解析失败。建议在提示词中给出更严格的格式约束并增加重试机制也可以使用 OpenAI 的 JSON Mode 或函数调用Function Calling能力从协议层面保证结构化输出。 5.2 工具调用陷入死循环 当 Agent 反复调用同一工具且结果不变时应设置最大步数上限如本文的 max_steps并在提示词中要求模型在结果不理想时主动切换策略或直接给出结论。 5.3 上下文长度超限 多轮工具调用会累积大量历史消息容易超出模型上下文窗口。建议对历史消息做截断或摘要压缩只保留最近 N 轮对话与关键工具结果。 5.4 提升任务成功率 引入「反思」机制在 Agent 得到最终结果前增加一次自我校验步骤让模型检查结果是否满足用户原始需求。此外为每个工具编写清晰的功能描述能显著提升模型选择工具的准确率。 六、总结 本文从核心概念出发完整实现了一个具备工具调用能力的 AI Agent 示例覆盖了环境搭建、工具定义、Agent 循环与常见问题排查。读者可以基于此框架逐步接入搜索、数据库、代码执行等更多工具并结合反思机制构建更强大的智能体应用。 AI Agent 的工程化仍在快速发展建议持续关注官方文档与社区实践动手迭代自己的 Agent 项目。希望本文能为你打开智能体开发的大门。
阅读完成 · 觉得有帮助？
